如何在神经网络中实现与假阳性与假阴性平衡相关的事实？

Question

我遇到的是/否分类问题，其中误报比误报更糟糕。

有没有办法将这一事实应用到神经网络中，特别是在 MATLAB 的神经网络工具箱中？

Answer 1

您需要的是一个成本敏感的元分类器（元分类器可与任何任意分类器配合使用，无论是 ANN、SVM 还是任何其他分类器）。

这可以通过两种方式完成：

• 根据成本矩阵重新加权训练实例。这是通过对数据进行重新采样来完成的，以便过度表示特定的类，因此构建的模型对该特定的类比其他类更敏感。
• 预测具有最小预期错误分类成本的类别（而不是最有可能的类别）。这里的想法是通过更频繁地犯低级错误和更少地犯昂贵错误来最小化总预期成本。

实现第一种学习方法的一种算法是SECOC，它使用纠错码；第二种方法的一个例子是使用装袋的 MetaCost 。 > 改进分类器的概率估计。

Answer 2

您可以使用自定义成本函数。这就是我最近所做的：

cost(true negative) = 0
cost(true positive) = 0
cost(false positive) = infinity
cost(true negative) = L

这可以通过以下公式来完成：

cost(y, t) = (1 - t) log (1 - y) - L * t * (1 - y)

这当然意味着一些推导和实现，并且不超出 Matlab 工具箱。